欢迎学习《图数据结构人工智能前沿技术和基于IoB的GNN建模视频教程》，你将学习人工智能领域的前沿基础知识：AI 同态图学习，以及学习通过IoB(Internet of Behaviors) & Mixed GCNs 对图神经网络GNN(Graph Neural Network)进行建模。
Graph AI 为我们利用行为互联网 (IoB) 探索、连接点和构建智能应用程序提供了巨大的潜力。许多图神经网络在节点和图分类任务上都取得了最先进的结果。然而，尽管 GNN 彻底改变了图表示学习，但学生对其领域的了解有限。本课程的目的是介绍该领域前沿概念和技术的基础知识。
MP4 | 视频：h264, 1280×720 | 音频：AAC，44.1 KHz，2 Ch
类型：eLearning | 语言：英语 + srt | 时长：20 节课（1h 34m）| 大小：2.08 GB
你会学到什么
- 使用行为互联网(Internet of Behaviors) 的基本图形 AI
- 图神经网络的基础与实现
- 如何创建图神经网络、训练、优化和测试
- 使用 FastGCN、门控和混合粒度架构的 AI Graph 特征学习和预测。
- 如何从图神经网络推导出 AI 子图
- 如何创建 Graph AI 模型？
要求
无需编程经验。您将从最基础的知识中学到您需要知道的一切
描述
图表就在我们身边；现实世界的对象通常是根据它们与其他事物的联系来定义的。一组对象以及它们之间的连接自然地表示为图神经网络 (GCN)。最近的发展提高了他们的能力和表现力。它们在人工智能、假新闻检测、流量预测到推荐系统领域有着深远的应用。
本课程探索和解释现代 AI 图神经网络。在本课程中，我们将了解哪种数据最自然地表述为图形，以及一些常见示例。然后我们探索是什么使图表与其他类型的数据不同，以及我们在使用图表时必须做出的一些专门选择。然后，我们构建了一个现代 GNN，遍历模型的每个部分，逐渐形成最先进的 AI GNN 模型。最后，我们提供了一个 GNN 游乐场，您可以在其中玩弄现实世界的任务和数据集，以建立对 AI GNN 模型的每个组件如何对其做出的预测做出贡献的更强烈的直觉。
本课程的主题包括
- 1. 图机器学习简介。
- 2. 行为互联网。
- 3. 单应智能。
- 4. 图形基础和特征中心性。
- 4. 图神经网络。
- 5. 图形注意网络。
- 6. 构建图神经网络
- 7. 通过汇集信息的 GNN 预测器。
- 8. Graph AI 及其在 Python 中的代码实现。
- 9. 使用 IoB 的 AI 中的多图和超图。
- 10. GNN 的设计空间。
- 11. GNN 中的归纳偏差。
- 12. Pytorch 几何实现。
- 13. Node2Vec 特征学习。
- 14. FAST GCN。
- 15. 门控图 RNN。
- 16. 图形 LSTM
- 17. 混合谷物聚合器。
- 18. 多模态图形人工智能。
The topics of this course include
- 1. Introduction to Graph Machine Learning.
- 2. Internet of Behaviors.
- 3. Homographic Intelligence.
- 4. Graphs Basics and Eigen Centrality.
- 4. Graph Neural Networks.
- 5. Graph Attention Networks.
- 6. Building a Graph Neural Network
- 7. GNNs Predictors by Pooling Information.
- 8. Graph AI and its code implementations in Python.
- 9. Multi- Graphs and Hyper- Graphs in AI using IoB.
- 10. Design Space for a GNNs.
- 11. Inductive Biases in GNNs.
- 12. Pytorch Geometric Implementations.
- 13. Node2Vec Feature Learning.
- 14. FAST GCNs.
- 15. Gated Graph RNNs.
- 16. Graph LSTMs
- 17. Mixed Grain Aggregators.
- 18. Multimodal Graph AI.
本课程适用于谁
- 数据科学、机器学习和人工智能的初学者和中级学习者
- 数据科学、大数据分析、神经网络和人工智能领域的研究生
关于图神经网络（GNN，Graph neural networks）
图（Graph）数据包含着十分丰富的关系型信息。从文本、图像这些非结构化数据中进行推理学习，例如句子的依赖树、图像的场景图等，都需要图推理模型。图神经网络（Graph neural networks）是一种链接主义模型，它靠图中节点之间的信息传递来捕捉图中的依赖关系。近年来，图卷积网络（Graph Convolutional network）和门控图网络（Gated graph neural network）在众多领域取得了重大的成功。
关于行为互联网 (IoB，Internet of Behaviors)
行为互联网 (IoB)一词源自技术研究公司 Gartner，是一个研发 (R&D) 领域，旨在了解人类如何、何时以及为何使用技术来做出购买决策。IoB 结合了三个研究领域：行为科学、边缘分析和物联网 ( IoT )。
IoB 平台旨在收集、汇总和分析从各种来源生成的数据，包括家用数字设备、可穿戴计算机和人类在线活动。然后根据行为心理学分析数据，以寻找营销和销售团队可以用来影响未来消费者行为的模式。
IoB 的一个重要目标是帮助营销人员了解物联网中网络节点产生的海量数据并将其货币化。
行为互联网有望在电子商务、医疗保健、客户体验管理 ( CXM ) 和搜索引擎优化 ( SEO )中发挥重要作用。
潜在的 IoB 用例包括：
- 为车辆持续报告所需制动和加速模式的驾驶员降低保险费。
- 分析特定用户的杂货购买以个性化菜单建议。
- 使用定位服务和购买历史来实时定制购物者的销售点 ( PoS ) 促销活动。
- 当健身活动追踪器的数据显示佩戴者的血压过高或过低时发送警报。
相关阅读
Gartner发布企业机构需要在2021年深挖的重要战略科技趋势：
1、行为互联网（Internet of Behaviors）
2、全面体验（Total Experience）
3、隐私增强计算（Privacy-Enhancing Computation）
4、分布式云（Distributed Cloud）
5、随处运营（Anywhere Operations）
6、网络安全网格（Cybersecurity Mesh）
7、组装式智能企业（Intelligent Composable Business）
8、人工智能工程化（AI Engineering）
9、超级自动化（Hyperautomation）
可以观察到，其中人工智能工程化的理念正在落地和普及。有观点认为，AI工程学就是平台、算法、产品、解决方案的模块化，通用化，将以往由技术和产品为主的应用变成解决方案为主，实现快速调用、部署、修改。
AI工程学的突破，会大幅降低AI项目成本，方案跌代加速。AI技术闭环+AI工程学突破极大地提升了智能信息化方案和智能业务方案的竞争力。
工程的本质就是利用聪明才智，灵活解决问题，这会给AI落地带来契机，也是AI技术门槛降低，降本增效的客户需求，以及AI企业求生共同作用的结果。